Метод главных компонент — бесплатный тест онлайн

Вопрос 1 из 30

Ситуация: В наборе смешаны миллиметры, километры и бинарный индикатор, а PCA запускают на исходных значениях. Что является главным техническим основанием для разбора?

x <- data.frame(mm = c(1,2,3,4), km = c(1000,2000,3000,4000), flag = c(0,0,1,1))
result <- prcomp(x, center = TRUE, scale. = FALSE)
result

PCA чувствителен к выбросам, пропускам, нелинейности и набору признаков и описывает вариацию, а не причинность PCA максимизирует дисперсию, поэтому признаки с большим масштабом доминируют, если не использовать scale. = TRUE или осмысленное преобразование biplot одновременно показывает проекции наблюдений и направления нагрузок, но длины и углы зависят от выбранного масштабирования Для применения PCA к новым данным нужно сохранить центр, масштаб, порядок признаков и rotation обученной модели Главные компоненты — ортогональные линейные комбинации исходных признаков, упорядоченные по объяснённой дисперсии

Вопрос 2 из 30

Ситуация: В наборе смешаны миллиметры, километры и бинарный индикатор, а PCA запускают на исходных значениях. Что именно может сломаться при новых данных?

x <- data.frame(mm = c(1,2,3,4), km = c(1000,2000,3000,4000), flag = c(0,0,1,1))
result <- prcomp(x, center = TRUE, scale. = FALSE)
result

Повторный prcomp на новых данных создаёт другую систему координат и делает оценки несопоставимыми Расстояния между стрелками и точками нельзя читать как обычные евклидовы расстояния без знания параметра scale Знак компоненты произволен: его инверсия не меняет подпространство и не означает противоположный результат анализа Автоматическое масштабирование бинарных и шумных признаков может дать им непропорционально большой вес Один выброс способен повернуть компоненты и создать впечатление отдельного направления данных

Вопрос 3 из 30

Ситуация: В наборе смешаны миллиметры, километры и бинарный индикатор, а PCA запускают на исходных значениях. Какое изменение устраняет именно причину проблемы?

Интерпретируйте относительные нагрузки и проекции, не придавая самостоятельный смысл знаку без выбранной ориентации Выбирайте центрирование и масштабирование по смыслу признаков, фиксируя параметры только на обучающих данных Применяйте predict(fit, newdata) к неизменной модели и той же схеме подготовки Исследуйте влияние наблюдений, проводите анализ чувствительности и сравнивайте с устойчивыми методами Подписывайте способ масштабирования и используйте biplot для исследования, а не точных численных выводов

Вопрос 4 из 30

Ситуация: В наборе смешаны миллиметры, километры и бинарный индикатор, а PCA запускают на исходных значениях. Какой контроль отличит исправление от случайно удачного результата?

Повторите PCA без влиятельных точек и на bootstrap-выборках, сравнив подпространства и нагрузки Проверьте ортогональность rotation и совпадение реконструкции при смене знака компоненты Сравните loadings с и без scale и проверьте вклад каждого признака в первые компоненты Сравните имена и порядок столбцов, параметры center/scale и контрольные scores Сверьте график с rotation и x, измените scale и проверьте, какие визуальные отношения сохраняются

Вопрос 5 из 30

Ситуация: В наборе смешаны миллиметры, километры и бинарный индикатор, а PCA запускают на исходных значениях. Какое заключение останется верным и на новых данных?

x <- data.frame(mm = c(1,2,3,4), km = c(1000,2000,3000,4000), flag = c(0,0,1,1))
result <- prcomp(x, center = TRUE, scale. = FALSE)
result

PCA максимизирует дисперсию, поэтому признаки с большим масштабом доминируют, если не использовать scale. = TRUE или осмысленное преобразование; при этом главный риск состоит в том, что повторный prcomp на новых данных создаёт другую систему координат и делает оценки несопоставимыми PCA чувствителен к выбросам, пропускам, нелинейности и набору признаков и описывает вариацию, а не причинность; при этом главный риск состоит в том, что один выброс способен повернуть компоненты и создать впечатление отдельного направления данных PCA максимизирует дисперсию, поэтому признаки с большим масштабом доминируют, если не использовать scale. = TRUE или осмысленное преобразование; следовательно, предупреждения можно не учитывать, если итог выглядит ожидаемо Для применения PCA к новым данным нужно сохранить центр, масштаб, порядок признаков и rotation обученной модели; при этом главный риск состоит в том, что автоматическое масштабирование бинарных и шумных признаков может дать им непропорционально большой вес PCA максимизирует дисперсию, поэтому признаки с большим масштабом доминируют, если не использовать scale. = TRUE или осмысленное преобразование; при этом главный риск состоит в том, что автоматическое масштабирование бинарных и шумных признаков может дать им непропорционально большой вес

Вопрос 6 из 30

Ситуация: В двух программах нагрузки первой компоненты имеют противоположные знаки, и это объявляют расхождением моделей. Какой принцип непосредственно относится к этому коду?

fit <- prcomp(USArrests, scale.=TRUE)
result <- crossprod(fit$rotation)
result

Доля объяснённой дисперсии показывает, какую часть общей вариации сохраняют компоненты, но не гарантирует сохранение целевой информации Главные компоненты — ортогональные линейные комбинации исходных признаков, упорядоченные по объяснённой дисперсии PCA чувствителен к выбросам, пропускам, нелинейности и набору признаков и описывает вариацию, а не причинность biplot одновременно показывает проекции наблюдений и направления нагрузок, но длины и углы зависят от выбранного масштабирования PCA максимизирует дисперсию, поэтому признаки с большим масштабом доминируют, если не использовать scale. = TRUE или осмысленное преобразование

Вопрос 7 из 30

Ситуация: В двух программах нагрузки первой компоненты имеют противоположные знаки, и это объявляют расхождением моделей. Какой риск здесь остаётся главным, даже если результат выглядит правдоподобно?

fit <- prcomp(USArrests, scale.=TRUE)
result <- crossprod(fit$rotation)
result

Один выброс способен повернуть компоненты и создать впечатление отдельного направления данных Знак компоненты произволен: его инверсия не меняет подпространство и не означает противоположный результат анализа Расстояния между стрелками и точками нельзя читать как обычные евклидовы расстояния без знания параметра scale Выбор компонентов только по порогу 95% может удалить малодисперсионное направление, важное для классификации Автоматическое масштабирование бинарных и шумных признаков может дать им непропорционально большой вес

Вопрос 8 из 30

Ситуация: В двух программах нагрузки первой компоненты имеют противоположные знаки, и это объявляют расхождением моделей. Какая правка делает решение устойчивым, а не просто удобным на текущем примере?

Сочетайте scree plot с проверкой downstream-задачи и предметной интерпретацией Подписывайте способ масштабирования и используйте biplot для исследования, а не точных численных выводов Исследуйте влияние наблюдений, проводите анализ чувствительности и сравнивайте с устойчивыми методами Интерпретируйте относительные нагрузки и проекции, не придавая самостоятельный смысл знаку без выбранной ориентации Выбирайте центрирование и масштабирование по смыслу признаков, фиксируя параметры только на обучающих данных

Вопрос 9 из 30

Ситуация: В двух программах нагрузки первой компоненты имеют противоположные знаки, и это объявляют расхождением моделей. Что нужно проверить после правки?

Сверьте график с rotation и x, измените scale и проверьте, какие визуальные отношения сохраняются Сравните качество модели при разном числе компонентов и проверьте устойчивость порога Сравните loadings с и без scale и проверьте вклад каждого признака в первые компоненты Проверьте ортогональность rotation и совпадение реконструкции при смене знака компоненты Повторите PCA без влиятельных точек и на bootstrap-выборках, сравнив подпространства и нагрузки

Вопрос 10 из 30

Ситуация: В двух программах нагрузки первой компоненты имеют противоположные знаки, и это объявляют расхождением моделей. Какой итог разбора не смешивает правило языка с впечатлением от результата?

fit <- prcomp(USArrests, scale.=TRUE)
result <- crossprod(fit$rotation)
result

Главные компоненты — ортогональные линейные комбинации исходных признаков, упорядоченные по объяснённой дисперсии; при этом главный риск состоит в том, что выбор компонентов только по порогу 95% может удалить малодисперсионное направление, важное для классификации Главные компоненты — ортогональные линейные комбинации исходных признаков, упорядоченные по объяснённой дисперсии; при этом главный риск состоит в том, что знак компоненты произволен: его инверсия не меняет подпространство и не означает противоположный результат анализа Главные компоненты — ортогональные линейные комбинации исходных признаков, упорядоченные по объяснённой дисперсии; поэтому внешний вид напечатанного объекта важнее происхождения и структуры данных Доля объяснённой дисперсии показывает, какую часть общей вариации сохраняют компоненты, но не гарантирует сохранение целевой информации; при этом главный риск состоит в том, что знак компоненты произволен: его инверсия не меняет подпространство и не означает противоположный результат анализа PCA чувствителен к выбросам, пропускам, нелинейности и набору признаков и описывает вариацию, а не причинность; при этом главный риск состоит в том, что один выброс способен повернуть компоненты и создать впечатление отдельного направления данных

Вопрос 11 из 30

Ситуация: Редкий дефект проявляется в слабой компоненте, которую отбрасывают как объясняющую мало общей дисперсии. Какое правило нужно применить к этому фрагменту прежде всего?

fit <- prcomp(USArrests, scale.=TRUE)
result <- cumsum(fit$sdev^2 / sum(fit$sdev^2))
result

biplot одновременно показывает проекции наблюдений и направления нагрузок, но длины и углы зависят от выбранного масштабирования PCA максимизирует дисперсию, поэтому признаки с большим масштабом доминируют, если не использовать scale. = TRUE или осмысленное преобразование Доля объяснённой дисперсии показывает, какую часть общей вариации сохраняют компоненты, но не гарантирует сохранение целевой информации Главные компоненты — ортогональные линейные комбинации исходных признаков, упорядоченные по объяснённой дисперсии PCA чувствителен к выбросам, пропускам, нелинейности и набору признаков и описывает вариацию, а не причинность

Вопрос 12 из 30

Ситуация: Редкий дефект проявляется в слабой компоненте, которую отбрасывают как объясняющую мало общей дисперсии. Что в этой ситуации способно исказить вывод без явной синтаксической ошибки?

fit <- prcomp(USArrests, scale.=TRUE)
result <- cumsum(fit$sdev^2 / sum(fit$sdev^2))
result

Знак компоненты произволен: его инверсия не меняет подпространство и не означает противоположный результат анализа Автоматическое масштабирование бинарных и шумных признаков может дать им непропорционально большой вес Один выброс способен повернуть компоненты и создать впечатление отдельного направления данных Выбор компонентов только по порогу 95% может удалить малодисперсионное направление, важное для классификации Расстояния между стрелками и точками нельзя читать как обычные евклидовы расстояния без знания параметра scale

Вопрос 13 из 30

Ситуация: Редкий дефект проявляется в слабой компоненте, которую отбрасывают как объясняющую мало общей дисперсии. Что следует изменить в коде или процессе?

Сочетайте scree plot с проверкой downstream-задачи и предметной интерпретацией Подписывайте способ масштабирования и используйте biplot для исследования, а не точных численных выводов Выбирайте центрирование и масштабирование по смыслу признаков, фиксируя параметры только на обучающих данных Исследуйте влияние наблюдений, проводите анализ чувствительности и сравнивайте с устойчивыми методами Интерпретируйте относительные нагрузки и проекции, не придавая самостоятельный смысл знаку без выбранной ориентации

Вопрос 14 из 30

Ситуация: Редкий дефект проявляется в слабой компоненте, которую отбрасывают как объясняющую мало общей дисперсии. Какой тест лучше всего ловит повтор этой ошибки?

Сравните loadings с и без scale и проверьте вклад каждого признака в первые компоненты Сверьте график с rotation и x, измените scale и проверьте, какие визуальные отношения сохраняются Проверьте ортогональность rotation и совпадение реконструкции при смене знака компоненты Повторите PCA без влиятельных точек и на bootstrap-выборках, сравнив подпространства и нагрузки Сравните качество модели при разном числе компонентов и проверьте устойчивость порога

Вопрос 15 из 30

Ситуация: Редкий дефект проявляется в слабой компоненте, которую отбрасывают как объясняющую мало общей дисперсии. Как сформулировать вывод без лишних обобщений?

fit <- prcomp(USArrests, scale.=TRUE)
result <- cumsum(fit$sdev^2 / sum(fit$sdev^2))
result

Доля объяснённой дисперсии показывает, какую часть общей вариации сохраняют компоненты, но не гарантирует сохранение целевой информации; при этом главный риск состоит в том, что знак компоненты произволен: его инверсия не меняет подпространство и не означает противоположный результат анализа Главные компоненты — ортогональные линейные комбинации исходных признаков, упорядоченные по объяснённой дисперсии; при этом главный риск состоит в том, что выбор компонентов только по порогу 95% может удалить малодисперсионное направление, важное для классификации Доля объяснённой дисперсии показывает, какую часть общей вариации сохраняют компоненты, но не гарантирует сохранение целевой информации; поэтому отсутствие сообщения об ошибке уже подтверждает корректность результата biplot одновременно показывает проекции наблюдений и направления нагрузок, но длины и углы зависят от выбранного масштабирования; при этом главный риск состоит в том, что расстояния между стрелками и точками нельзя читать как обычные евклидовы расстояния без знания параметра scale Доля объяснённой дисперсии показывает, какую часть общей вариации сохраняют компоненты, но не гарантирует сохранение целевой информации; при этом главный риск состоит в том, что выбор компонентов только по порогу 95% может удалить малодисперсионное направление, важное для классификации

Вопрос 16 из 30

Ситуация: На biplot делают точный вывод о корреляции, не учитывая, как масштабированы оценки и нагрузки. Какой механизм точнее всего объясняет связь кода с ситуацией?

fit <- prcomp(iris[,1:4], scale.=TRUE)
result <- list(scores=head(fit$x), loadings=fit$rotation)
result

PCA максимизирует дисперсию, поэтому признаки с большим масштабом доминируют, если не использовать scale. = TRUE или осмысленное преобразование Главные компоненты — ортогональные линейные комбинации исходных признаков, упорядоченные по объяснённой дисперсии Для применения PCA к новым данным нужно сохранить центр, масштаб, порядок признаков и rotation обученной модели PCA чувствителен к выбросам, пропускам, нелинейности и набору признаков и описывает вариацию, а не причинность biplot одновременно показывает проекции наблюдений и направления нагрузок, но длины и углы зависят от выбранного масштабирования

Вопрос 17 из 30

Ситуация: На biplot делают точный вывод о корреляции, не учитывая, как масштабированы оценки и нагрузки. Какой дефект нужно искать в первую очередь?

fit <- prcomp(iris[,1:4], scale.=TRUE)
result <- list(scores=head(fit$x), loadings=fit$rotation)
result

Повторный prcomp на новых данных создаёт другую систему координат и делает оценки несопоставимыми Один выброс способен повернуть компоненты и создать впечатление отдельного направления данных Автоматическое масштабирование бинарных и шумных признаков может дать им непропорционально большой вес Расстояния между стрелками и точками нельзя читать как обычные евклидовы расстояния без знания параметра scale Знак компоненты произволен: его инверсия не меняет подпространство и не означает противоположный результат анализа

Вопрос 18 из 30

Ситуация: На biplot делают точный вывод о корреляции, не учитывая, как масштабированы оценки и нагрузки. Какой вариант исправления сохраняет смысл анализа?

Исследуйте влияние наблюдений, проводите анализ чувствительности и сравнивайте с устойчивыми методами Выбирайте центрирование и масштабирование по смыслу признаков, фиксируя параметры только на обучающих данных Подписывайте способ масштабирования и используйте biplot для исследования, а не точных численных выводов Интерпретируйте относительные нагрузки и проекции, не придавая самостоятельный смысл знаку без выбранной ориентации Применяйте predict(fit, newdata) к неизменной модели и той же схеме подготовки

Вопрос 19 из 30

Ситуация: На biplot делают точный вывод о корреляции, не учитывая, как масштабированы оценки и нагрузки. Какая проверка относится к исходному риску, а не к внешнему виду результата?

Проверьте ортогональность rotation и совпадение реконструкции при смене знака компоненты Сравните имена и порядок столбцов, параметры center/scale и контрольные scores Повторите PCA без влиятельных точек и на bootstrap-выборках, сравнив подпространства и нагрузки Сравните loadings с и без scale и проверьте вклад каждого признака в первые компоненты Сверьте график с rotation и x, измените scale и проверьте, какие визуальные отношения сохраняются

Вопрос 20 из 30

Ситуация: На biplot делают точный вывод о корреляции, не учитывая, как масштабированы оценки и нагрузки. Какое заключение лучше всего выдерживает проверку?

fit <- prcomp(iris[,1:4], scale.=TRUE)
result <- list(scores=head(fit$x), loadings=fit$rotation)
result

biplot одновременно показывает проекции наблюдений и направления нагрузок, но длины и углы зависят от выбранного масштабирования; при этом главный риск состоит в том, что расстояния между стрелками и точками нельзя читать как обычные евклидовы расстояния без знания параметра scale PCA максимизирует дисперсию, поэтому признаки с большим масштабом доминируют, если не использовать scale. = TRUE или осмысленное преобразование; при этом главный риск состоит в том, что расстояния между стрелками и точками нельзя читать как обычные евклидовы расстояния без знания параметра scale biplot одновременно показывает проекции наблюдений и направления нагрузок, но длины и углы зависят от выбранного масштабирования; поэтому достаточно один раз проверить класс объекта на текущем наборе данных Главные компоненты — ортогональные линейные комбинации исходных признаков, упорядоченные по объяснённой дисперсии; при этом главный риск состоит в том, что знак компоненты произволен: его инверсия не меняет подпространство и не означает противоположный результат анализа biplot одновременно показывает проекции наблюдений и направления нагрузок, но длины и углы зависят от выбранного масштабирования; при этом главный риск состоит в том, что автоматическое масштабирование бинарных и шумных признаков может дать им непропорционально большой вес

Вопрос 21 из 30

Ситуация: После добавления одной аномальной записи первая компонента резко меняет направление. На какое свойство R здесь следует опереться?

x <- rbind(matrix(rnorm(100),ncol=2), c(20,20))
fit <- prcomp(x, scale.=TRUE)
result <- fit$rotation
result

PCA чувствителен к выбросам, пропускам, нелинейности и набору признаков и описывает вариацию, а не причинность Главные компоненты — ортогональные линейные комбинации исходных признаков, упорядоченные по объяснённой дисперсии Для применения PCA к новым данным нужно сохранить центр, масштаб, порядок признаков и rotation обученной модели PCA максимизирует дисперсию, поэтому признаки с большим масштабом доминируют, если не использовать scale. = TRUE или осмысленное преобразование biplot одновременно показывает проекции наблюдений и направления нагрузок, но длины и углы зависят от выбранного масштабирования

Вопрос 22 из 30

Ситуация: После добавления одной аномальной записи первая компонента резко меняет направление. Почему успешный запуск ещё не доказывает корректность?

x <- rbind(matrix(rnorm(100),ncol=2), c(20,20))
fit <- prcomp(x, scale.=TRUE)
result <- fit$rotation
result

Расстояния между стрелками и точками нельзя читать как обычные евклидовы расстояния без знания параметра scale Автоматическое масштабирование бинарных и шумных признаков может дать им непропорционально большой вес Повторный prcomp на новых данных создаёт другую систему координат и делает оценки несопоставимыми Знак компоненты произволен: его инверсия не меняет подпространство и не означает противоположный результат анализа Один выброс способен повернуть компоненты и создать впечатление отдельного направления данных

Вопрос 23 из 30

Ситуация: После добавления одной аномальной записи первая компонента резко меняет направление. Какая правка лучше локальной заплатки?

Выбирайте центрирование и масштабирование по смыслу признаков, фиксируя параметры только на обучающих данных Исследуйте влияние наблюдений, проводите анализ чувствительности и сравнивайте с устойчивыми методами Интерпретируйте относительные нагрузки и проекции, не придавая самостоятельный смысл знаку без выбранной ориентации Подписывайте способ масштабирования и используйте biplot для исследования, а не точных численных выводов Применяйте predict(fit, newdata) к неизменной модели и той же схеме подготовки

Вопрос 24 из 30

Ситуация: После добавления одной аномальной записи первая компонента резко меняет направление. Как подтвердить корректность на граничном случае?

Сравните имена и порядок столбцов, параметры center/scale и контрольные scores Сравните loadings с и без scale и проверьте вклад каждого признака в первые компоненты Сверьте график с rotation и x, измените scale и проверьте, какие визуальные отношения сохраняются Проверьте ортогональность rotation и совпадение реконструкции при смене знака компоненты Повторите PCA без влиятельных точек и на bootstrap-выборках, сравнив подпространства и нагрузки

Вопрос 25 из 30

Ситуация: После добавления одной аномальной записи первая компонента резко меняет направление. Какой вывод точнее всего связывает механизм и главный риск?

x <- rbind(matrix(rnorm(100),ncol=2), c(20,20))
fit <- prcomp(x, scale.=TRUE)
result <- fit$rotation
result

PCA чувствителен к выбросам, пропускам, нелинейности и набору признаков и описывает вариацию, а не причинность; при этом главный риск состоит в том, что один выброс способен повернуть компоненты и создать впечатление отдельного направления данных PCA чувствителен к выбросам, пропускам, нелинейности и набору признаков и описывает вариацию, а не причинность; при этом главный риск состоит в том, что знак компоненты произволен: его инверсия не меняет подпространство и не означает противоположный результат анализа PCA максимизирует дисперсию, поэтому признаки с большим масштабом доминируют, если не использовать scale. = TRUE или осмысленное преобразование; при этом главный риск состоит в том, что автоматическое масштабирование бинарных и шумных признаков может дать им непропорционально большой вес Главные компоненты — ортогональные линейные комбинации исходных признаков, упорядоченные по объяснённой дисперсии; при этом главный риск состоит в том, что один выброс способен повернуть компоненты и создать впечатление отдельного направления данных PCA чувствителен к выбросам, пропускам, нелинейности и набору признаков и описывает вариацию, а не причинность; следовательно, совпадение числа строк можно считать полной проверкой решения

Вопрос 26 из 30

Ситуация: Каждый месячный пакет данных проходит отдельный PCA, после чего значения PC1 сравнивают по времени. Какое утверждение лучше всего объясняет показанный фрагмент?

fit <- prcomp(iris[1:100,1:4], scale.=TRUE)
result <- predict(fit, newdata=iris[101:105,1:4])
result

Главные компоненты — ортогональные линейные комбинации исходных признаков, упорядоченные по объяснённой дисперсии Для применения PCA к новым данным нужно сохранить центр, масштаб, порядок признаков и rotation обученной модели PCA чувствителен к выбросам, пропускам, нелинейности и набору признаков и описывает вариацию, а не причинность PCA максимизирует дисперсию, поэтому признаки с большим масштабом доминируют, если не использовать scale. = TRUE или осмысленное преобразование biplot одновременно показывает проекции наблюдений и направления нагрузок, но длины и углы зависят от выбранного масштабирования

Вопрос 27 из 30

Ситуация: Каждый месячный пакет данных проходит отдельный PCA, после чего значения PC1 сравнивают по времени. Какое скрытое допущение здесь опаснее остальных?

fit <- prcomp(iris[1:100,1:4], scale.=TRUE)
result <- predict(fit, newdata=iris[101:105,1:4])
result

Один выброс способен повернуть компоненты и создать впечатление отдельного направления данных Повторный prcomp на новых данных создаёт другую систему координат и делает оценки несопоставимыми Знак компоненты произволен: его инверсия не меняет подпространство и не означает противоположный результат анализа Автоматическое масштабирование бинарных и шумных признаков может дать им непропорционально большой вес Расстояния между стрелками и точками нельзя читать как обычные евклидовы расстояния без знания параметра scale

Вопрос 28 из 30

Ситуация: Каждый месячный пакет данных проходит отдельный PCA, после чего значения PC1 сравнивают по времени. Что нужно сделать, чтобы ошибка не вернулась на следующем наборе данных?

Интерпретируйте относительные нагрузки и проекции, не придавая самостоятельный смысл знаку без выбранной ориентации Применяйте predict(fit, newdata) к неизменной модели и той же схеме подготовки Выбирайте центрирование и масштабирование по смыслу признаков, фиксируя параметры только на обучающих данных Подписывайте способ масштабирования и используйте biplot для исследования, а не точных численных выводов Исследуйте влияние наблюдений, проводите анализ чувствительности и сравнивайте с устойчивыми методами

Вопрос 29 из 30

Ситуация: Каждый месячный пакет данных проходит отдельный PCA, после чего значения PC1 сравнивают по времени. Какая проверка непосредственно подтверждает, что дефект устранён?

Сравните loadings с и без scale и проверьте вклад каждого признака в первые компоненты Сверьте график с rotation и x, измените scale и проверьте, какие визуальные отношения сохраняются Сравните имена и порядок столбцов, параметры center/scale и контрольные scores Проверьте ортогональность rotation и совпадение реконструкции при смене знака компоненты Повторите PCA без влиятельных точек и на bootstrap-выборках, сравнив подпространства и нагрузки

Вопрос 30 из 30

Ситуация: Каждый месячный пакет данных проходит отдельный PCA, после чего значения PC1 сравнивают по времени. Что стоит написать в технической рецензии к этому фрагменту?

fit <- prcomp(iris[1:100,1:4], scale.=TRUE)
result <- predict(fit, newdata=iris[101:105,1:4])
result

Для применения PCA к новым данным нужно сохранить центр, масштаб, порядок признаков и rotation обученной модели; при этом главный риск состоит в том, что автоматическое масштабирование бинарных и шумных признаков может дать им непропорционально большой вес Для применения PCA к новым данным нужно сохранить центр, масштаб, порядок признаков и rotation обученной модели; при этом главный риск состоит в том, что повторный prcomp на новых данных создаёт другую систему координат и делает оценки несопоставимыми PCA чувствителен к выбросам, пропускам, нелинейности и набору признаков и описывает вариацию, а не причинность; при этом главный риск состоит в том, что один выброс способен повернуть компоненты и создать впечатление отдельного направления данных PCA максимизирует дисперсию, поэтому признаки с большим масштабом доминируют, если не использовать scale. = TRUE или осмысленное преобразование; при этом главный риск состоит в том, что повторный prcomp на новых данных создаёт другую систему координат и делает оценки несопоставимыми Для применения PCA к новым данным нужно сохранить центр, масштаб, порядок признаков и rotation обученной модели; поэтому повторный запуск в той же сессии заменяет проверку граничных случаев